Análisis de Series Temporales Aplicado al Modelado de Aportaciones del Embalse Angostura
Palabras clave:
Análisis de series temporales, embalse Angostura, generación de series sintéticas de aportaciones.Resumen
En el presente trabajo se tiene el objetivo de modelar las aportaciones por cuenca propia del embalse Angostura, para tal finalidad se recurre al enfoque de series temporales y se emplean los modelos SARIMA y PAR(p). Se evalúa el desempeño de cada modelo considerando el pronóstico de un mes en adelanto y la estimación de la media y la desviación estándar, obtenidas a partir de la generación de escenarios sintéticos. De acuerdo con las métricas de error consideradas, el modelo SARIMA posee mayor funcionalidad para el pronóstico de un mes en adelanto, mientras que el modelo PAR(p) resulta más adecuado para modelar la media y la desviación estándar mensuales. La utilización de este tipo de modelos le permite al operador del Sistema Eléctrico Nacional, gestionar de manera más económica la energía almacenada en Angostura, toda vez que las decisiones involucradas son robustas ante el conjunto de escenarios probables de presentarse.
Referencias
[1] P. V. Larroyd, V. L. De-Matos y E. C. Finardi, Assessment of Risk-Averse Policies for the Long-Term Hydrothermal Scheduling Problem, Energy Systems, vol. 8, nº 1, p. 103–125, 2017.
[2] M. V. F. Pereira y L. M. V. G. Pinto, Stochastic Optimization of a Multireservoir Hydroelectric System: A Decomposition Approach, Water Resources Research, vol. 21, nº 6, p. 779–792, 1985.
[3] R. E. C. Gonçalves, E. C. Finardi, E. L. Da-Silva y M. L. L. Dos-Santos, Comparing Stochastic Optimization Methods to Solve the Medium-Term Operation Planning Problem, Computational and Applied Mathematics, vol. 30, nº 2, p. 289–313, 2011.
[4] V. L. De-Matos y E. C. Finardi, A Computational Study of a Stochastic Optimization Model for Long Term Hydrothermal Scheduling, International Journal of Electrical Power & Energy Systems, vol. 43, nº 1, p. 1443–1452, 2012.
[5] K. W. Hipel and A. I. McLeod, Time Series Modelling of Water Resources and Environmental Systems, Amsterdam, The Netherlands: Elsevier Science Pub Co, 1994.
[6] PSR, SDDP Methodology Manual, Rio de Janeiro, 2020.
[7] M. Maceira, V. Duarte, D. Penna, L. Moraes y A. Melo, Ten years of application of stochastic dual dinamic programming in official and agent studies in Brazil, 16th Power Systems Computation Conf., 2008.
[8] G. E. P. Box, G. M. Jenkins, G. C. Reinsel and G. M. Ljung, Time series analysis: forecasting and control, 5a ed., John Wiley & Sons, 2015.
[9] P. J. Brockwell and R. A. Davis, Introduction to Time Series and Forecasting, 3a ed., Springer, 2016.
[10] A. J. Conejo, M. Carrión, J. M. Morales, Decision Making Under Uncertainty in Electricity Markets, Springer, 2010.
[11] G. E. P. Box and D. R. Cox, An analysis of transformations, Journal of the Royal Statistical Society: Series B, vol. 26, no. 2, pp. 211-243, 1964.
[12] A. Shapiro and W. Tekaya, Report for Technical Cooperation between Georgia Institute of Technology and ONS, Atlanta, Georgia, 2011.
[13] B. Bezerra, Incorporação da Incerteza dos Parâmetros do Modelo Estocástico de Vazões na Política Operativa do Despacho Hidrotérmico, Pontifical Catholic University of Rio de Janeiro, 2015.
[14] L. A. Terry, M. V. F. Pereira, T. A. Araripe, L. F. C. A. Silva, and P. R. H. Sales, Coordinating the Energy Generation of the Brazilian National Hydrothermal Electrical Generating System, Interfaces (Providence)., vol. 16, no. 1, pp. 16–38, 1986.
[15] Noakes, D., McLeod, A. and Hipel, K., 1985. Forecasting monthly riverflow time series. International Journal of Forecasting, 1(2), pp.179-190.
[16] F. Treistman, M. E. Maceira, D. D. Penna, J. Machado, and O. Rotunno, Synthetic Scenario Generation of Monthly Streamflows Conditioned to the El Niño–Southern Oscillation: Application to Operation Planning of Hydrothermal Systems, Stoch. Environ. Res. Risk Assess., vol. 34, no. 2, pp. 331–353, 2020.
[17] International Hydropower Association, 2018 Hydropower Status Report: Sector trends and Insights. London, 2018. [En línea]. Disponible: https://www.hydropower.org/publications/2018-hydropower-status-report.
[18] M. L. Arganis-Juárez, R. Mendoza-Ramírez, R. Domínguez-Mora, A. A. Hernández-Ruiz, and M. Berezowsky-Verduzco, Influence of Guiding Curves in the Optimal Management of a Hydropower System, Water Resour. Manag., pp. 4989–5001, 2013.
[19] CFE, Sinopsis meteorológica y pronóstico preliminar, Enero 4, 2021, Mexico City, 2021.
[20] M. L. Arganis-Juaréz, R. Mendoza-Ramírez y R. Domínguez-Mora, Operación de tres presas hidroeléctricas usando curvas guía y programación dinámica estocástica, Water Science & Technology, vol. 3, nº 3, p. 97–114, 2012.
